c# - 如何使用 itextsharp 从表结构的 PDF 中读取数据？

Question

我在从 pdf 文件中读取一些数据时遇到问题。
我的文件是结构化的，它包含表格和纯文本。标准解析器从同一行的不同列中读取数据。例如:

Some Table Header  Data Col1a     Data Col2a      Data Col3aData Col1b     Data Col2b      Data Col3b               Data Col2c

with this code

        PdfReader reader = new PdfReader(pdfName);

        List<String> text = new List<String>();
        String page;
        List<String> pageStrings;
        string[] separators = { "\n", "\r\n" };

        for (int i = 1; i <= reader.NumberOfPages; i++)
        {
            page = PdfTextExtractor.GetTextFromPage(reader, i);
            pageStrings = new List<string>(page.Split(separators, StringSplitOptions.RemoveEmptyEntries));
            text.AddRange(pageStrings);

        }

        reader.Close();

        return text;

将被连接成字符串:

Some Table HeaderData Col1a Data Col2a Data Col3a  Data Col1b Data Col2b Data Col3b  Data Col2c  

我想要获得反射(reflect) block 数据的串联字符串。我想为上面的例子得到这样的字符串:

Some Table HeaderData Col1a Data Col1b   Data Col2a Data Col2b Data Col2c  Data Col3a Data Col3b

有谁知道如何调整 itextsharp 以获得 pdf 解析器的这种行为？也许有人有合适的代码示例？
示例 PDF 文件为 here

Answer 1

OP 的示例文件包含多个部分，如下所示:

评论中提到的 OP:

another one tool parse my PDF exactly like I want. [...]

PS: this tool is pdfbox

在此方法中使用 PDFBox(v1.8.10，当前发布版本):

String extract(PDDocument document) throws IOException
{
    PDFTextStripper stripper = new PDFTextStripper();
    return stripper.getText(document);
}

返回上面显示的部分

Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS  MEDICAL: 
CATY
 MEDICAL
Trip #: 314-A
Comments: ----LIVERY---
Destination:Pick-up:
Call Type: Livery
<Doctor Office>
REGO PARK,  (631) 
000-0000
(718) 896-5953
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154
11:00:00 PAT, MIKHAIL
Trip #: 314-B
Comments:  ----LIVERY---
Destination:Pick-up:
Call Type: Livery
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154
<Doctor Office>
63-6 REGO PARK, NY 
11374 (631) 000-0000
11:01:00 PAT, MIKHAIL

这并不是真正的按列提取，但某些信息 block (如地址 block )保留在一起。

使用 iText(Sharp) 获得相同的输出实际上非常简单:只需明确使用 SimpleTextExtractionStrategy 而不是默认使用的 LocationTextExtractionStrategy，即必须更换这一行

page = PdfTextExtractor.GetTextFromPage(reader, i);

通过

page = PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy());

除了每个数据集有一个空格字符(iText(Sharp) 提取Destination:Pick-up: 而不是Destination:Pick-up:)，结果是相同。

---

关于您从 PDFBox 中提取文本的结论:

So I think that PDF is really table structured.

实际上，这个提取顺序仅仅意味着在 PDF 页面内容流中绘制字符串段的操作就是按照这个顺序发生的。根据 PDF 规范，这些操作的顺序是任意的，生成这些 PDF 的软件的任何更新都可能导致 PDFBox PDFTextStripper 和 iText SimpleTextExtractionStrategy 从中提取文件只是一堆难以理解的字符。

---

PS:如果像这样将 PDFBox PDFTextStripper 属性 SortByPosition 设置为 true

    PDFTextStripper stripper = new PDFTextStripper();
    stripper.setSortByPosition(true);
    return stripper.getText(document);

然后 PDFBox 像 iText(Sharp) 一样使用(默认)LocationTextExtractionStrategy 提取文本

---

OP 表示对内容流中固有的 block 结构感兴趣。在通用 PDF 中最明显的结构是文本对象(其中可以绘制多个字符串)。

在本例中，使用了 SimpleTextExtractionStrategy。它可以很容易地扩展为在其输出中还包含与文本对象的开始和结束相对应的标记。在 Java 中，这可以通过使用这样的匿名类来完成:

return PdfTextExtractor.getTextFromPage(reader, pageNo, new SimpleTextExtractionStrategy()
{
    boolean empty = true;

    @Override
    public void beginTextBlock()
    {
        if (!empty)
            appendTextChunk("<BLOCK>");
        super.beginTextBlock();
    }

    @Override
    public void endTextBlock()
    {
        if (!empty)
            appendTextChunk("</BLOCK>\n");
        super.endTextBlock();
    }

    @Override
    public String getResultantText()
    {
        if (empty)
            return super.getResultantText();
        else
            return "<BLOCK>" + super.getResultantText();
    }

    @Override
    public void renderText(TextRenderInfo renderInfo)
    {
        empty = false;
        super.renderText(renderInfo);
    }
});

( TextExtraction.java 方法 extractSimple)

(这段 Java 代码应该很容易翻译成 C#。使用 empty bool 值可能看起来很有趣；但是这是必要的，因为基类假设某些附加属性被设置为一旦一些 block 被附加到提取的内容。)

使用这个扩展策略，可以得到上面显示的部分:

<BLOCK>Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS  MEDICAL: 
CATY</BLOCK>
<BLOCK>
 MEDICAL</BLOCK>
<BLOCK>
Trip #: 314-A</BLOCK>
<BLOCK>
Comments: ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
<Doctor Office>
REGO PARK,  (631) 
000-0000
(718) 896-5953</BLOCK>
<BLOCK>
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154</BLOCK>
<BLOCK>
11:00:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>
<BLOCK>
Trip #: 314-B</BLOCK>
<BLOCK>
Comments:  ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154</BLOCK>
<BLOCK>
<Doctor Office>
63-6 REGO PARK, NY 
11374 (631) 000-0000</BLOCK>
<BLOCK>
11:01:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>

因为这会将地址保持在同一个 block 中，这可能有助于提取。